计算机技术应用・ｔｈｅ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｃｏｍｐｕｔｅｒ Ｔｅｃｈｎｏｌｏｇｙ 复杂地形风电场的风功率预测技术研究 文／宁德正朱向东 本文介绍了当前风功率预测 理论的各种模型，结合复杂地形 下风资源和风功率特点，提出了 满足预测精度要求的复杂地形条 件下的风功率预测方法。 围设置几个远程监测点，依据风速和风向的相 关性结果，预测误差更小，一般在短时间（１－４ｈ） 内预测效果较好。事实上，其误差主要和风电 场的监测点的数量有关。 专门优化，以适应风电场风功率预测精度的要 求。 以优化的物理模型＋人工智能模型为例， 采用微观气象学和计算流体力学（ＣＦＤ）分析 软件，以风电场的地理数据（地形、地表粗糙 度）、风电机组坐标和轮毂高度、风廓线、热 效应、风机功率曲线作为边界条件；建立包含 １．４人工神经网络的智能模型 人工智能的发展得益于人工神经网络、 模糊逻辑及向量计算技术的发展。通过模糊逻 湍流、尾流、风速、发电量结果的预测物理模 型，再以数值天气预报作为输入数据，通过数 学方法外推，得出每一台风机轮毂处的风速， 进而得到每一台风机的输出功功率。 此外，如风电场处于限负荷运行状态， 系统会主动自适应的捕捉电场风电机组的运行 模式，从而给出结合了现实运行情况和未来风 辑与向量机学习理论的方法，以历史数据、气 【关键词】风功率预测复杂地形条件人工智 压、温度作为输入，对风速建立预测模型，结 能模型 果表明，预测值与实测值基本一致。构建的风 速预测结果比时间序列法更好。 １．５组合预测模型 随着全球能源高速增长，气候变化和生态 各预测模型都有理论上的局限，为了优 环境问题日益突出，风能作为一种可再生能源， 受到各国重视。２０１３年，中国新增装机容量 化预测流程和提供预测精度，组合预测在实际 １６０８８．７ＭＷ，累计装机容量９１４１２．８９ＭＷ，新 应用中越来越广。如优化的物理模型和人工智 增装机和累计装机均居世界第一，风电已成为 能模型组合的双模型，采用ＣＦＤ方法，结合 风电场信息数据，将数值天气预报作为输入， 资源情况的功率预报。 般，设置在风场主导风向上的即使位 一于３公里范围内的单独测风塔的数据也无法代 表整个风场的风资源情况，为提供准确的预测 我国继火电、水电后的第三大能源。风能具 有独特的波动性、间歇性和反调峰特性，大量 风电场并网为电网的安全、稳定及正常运行带 来挑战。通过风功率预测系统的预测结果，可 提供电网的安全性和可靠性和电网接纳风电 的能力。《风电场接入电力系统技术规定》 进行计算的物理模型，并利用人工智能模型中 系统主动自适应的捕捉电场风电机组的运行模 式，输出结合现实运行情况和未来风资源情况 的功率预报。该双模型可以实现未来７２小时 短期预测精度大于８０％；未来４小时超短期预 测精度大于９０％；未来１６８小时中期预测精度 大于７５％。 结果，不仅需要采集实时测风塔数据，也要采 集各风机的ＳＣＡＤＡ数据，对每台风机，结合 ＣＦＤ计算模型，经过数据修正算法消除了尾流、 湍流、风向等影响因素。 在建立针对山区的优化的风电场物理模 型后，还需要人工智能模型进行修正，根据现 场的发电情况，需要根据现场是否限电、各风 机的运行状况，对各台风机进行计算，从而得 出全场的预测功率。另外，还要考虑到检修计 （ＧＢ１９９６３—２０１１）中对风电场功率预测做了 强制性规定， 《风电场并网标准》中也对风速 及风功率预测的分辨率和准确性提出了要求， 风电场应向电网调度部门提供未来１５分钟～４ ２复杂地形条件下的风功率预测特点 复杂地形风电场，以山地风场为例，因 地形复杂，风机标高差别较大，风速、风向差 别显著，尾流影响更无规律，湍流影响结果也 不同，从而导致风速和发电量的差异变化较大， 这些因素使复杂地形下的风电场风电功率预测 难度更大。一般预测模型在地形相对简单的地 区，效果较好，但在复杂地形地区，需要针对 风电场进行优化调整。 一划，电网调度以及其他受限情况进行人工输入 己知边界情况，对风电场上网预测功率实时调 整。 小时、次日２４小时的风电场输出功率预测值 （时间分辨率为ｌ５分钟），预测误差（平均 相对误差）应不大于２５％。现阶段国外内学者 提出了各种理论来进行风功率预测，典型的预 测模型有统计模型、物理模型、动态时空的相 关模型以及基于人工神经网络的智能模型。 通过人工智能和优化物理模型，即可满 足电网对测风数据以及其他气象数据的采集和 上传要求，时间分辨率可以根据计算模型要求 选取，从而使预测精度大幅提高。 １各预测模型评价 １．１统计模型 统计模型也称为时间序列模型，主要基 ４结论 复杂地形条件下，风功率预测需要根据 般在大型山地风电场中，由于各机位 所处微观环境差别较大，各机位高度也不同， 复杂地形下风况特点、风功率变化情况，结合 ＣＦＤ计算方法，采用优化的物理模型，结合 于测风历史数据，依据统计学的参数估计的方 法并结合模式识别来建立数学模型，该模型适 合小时尺度的短期（６ｈ以内）预测。 １．２物理模型 风速差别较大，上网电量最高的机位比最低的 机位高出约５０％～８０％。受微地形影响，风向 差别可在２０～９０度，风向差别较大。而山区地 形湍流强度更易受地形和地表租糙度影响，各 人工智能模型，满足复杂地形条件下预测精度 的要求。 机位湍流强度差别也较大，在风电场设计时， 采用ＣＦＤ模拟结果看，从ＩＥＣ Ｃ级到Ａ级都有， 加上运行后各位尾流影响，风速和风功率更呈 参考文献 【１］肖洋，陈树勇．风电场风速和发电 功率预测研究［Ｊ］．中国电机工程学 报，２００５，２ ５（１Ｉ）：１—５． 典型的物理模型为数值天气预报，主要 依据取得的大气风向、风速数据，通过给定初 现出无规律性。 始、边界条件，依据流体力学和热力学的方程， 如在高海拔地区，特有的条件（海拔高、 进行数据计算后的结果，该方法比较适合中期 雷暴频繁、风密度低、平均风速偏低、风向变 （一般大于６ｈ）的风速预测。 １．３动态时空模型 【２］周海，王文鹏等．风电场输出功率超短期 预测结果分析与改进［Ｊ］．电力系统自动 化，２０１１，３５（１ ５）：３０—３３． 化频繁、山地风电场地形条件复杂）使风电场 风功率预测难度更大。 ［４］张臻．风电场功率短期预测方法研究［Ｄ】． 广州：华南理工大学，２０１ ０． 该模型需要考虑风电场与周边测风点的 风速时间序列情况，依据周边测风点风速与风 电场的相关性进行预测。一般需要在风电场周 ３复杂地形条件下的风功率预测方法 无论采用单一模型方法还是组合模型预 测方法，均需对复杂地形条件下的风电场进行 设计院 云南省昆明市 ６５ ０ｏ５１ １８０・电子技术与软件工程Ｅｌｅｃｔｒｏｎｉｃ Ｔｅｃｈｎｏｌｏｇｙ＆Ｓｏｆｔｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ